CN108318044A - 一个基于多源异构众包数据的风景路网建模系统 - Google Patents

Abstract

本发明公开了一种基于多源异构众包数据的风景路网建模系统，涉及众包数据应用领域。针对目前路网中没有对路段风景质量评分的不足，本文提出基于多源异构众包数据的风景路网建模系统，利用众包数据为每条路段的风景质量评分，为之后的风景路线规划提供模型支撑，方便人们出游旅行。具体而言，首先，本发明从OSM的众包平台得到数字路网，删除数字路网中冗余的节点信息，得到数字路网；然后，本发明利用Foursquare签到数据和Flickr照片数据的地理分布情况对数字路网进行知识增量建模，计算所有路段的风景质量，得到风景路网。

Description

一个基于多源异构众包数据的风景路网建模系统

技术领域

本发明涉及众包数据应用领域，特别是涉及一种利用众包数据对实际道路网络(简称，路网)进行风景建模，刻画每条路段的风景质量的系统。

背景技术

随着经济的快速发展，人们的生活节奏也越来越快，各方面的压力也越来越大，越来越多的人想在城市中寻找风景优美的路线放松身体，舒缓压力。而目前的真实路网中路段的权值只有距离，而没有对该路段风景质量的评分，人们无法直接知道该路段的风景质量。为了找出令人满意的风景路段，用户需要浏览尽可能多的资料，这是非常耗时费力的一件事。

随着城市数字化程度的加快、Web2.0、全球定位系统、智能移动终端等科学技术的日趋成熟，目前出现了很多能够记录人们地理位置的应用。我们把人们在使用这些应用过程中所产生的数据称为众包数据(如Foursquare签到数据、Flickr照片数据、OpenStreetMap(OSM) 地图数据)。这些众包数据中不仅记录着客观世界的自然知识(如建筑的地理位置)，还记录着人类的位置或者活动信息。这些数据显式或隐式的包含了兴趣点的基本属性、受欢迎程度等重要信息，为真实路网中每条边的风景质量评分提供了巨大潜力。

发明内容

针对目前路网中没有对路段风景质量评分的不足，本文提出基于多源异构众包数据的风景路网建模系统，利用众包数据为每条路段的风景质量评分，为之后的风景路线规划提供模型支撑，方便人们出游旅行。具体而言，首先，本发明从OSM的众包平台得到数字路网，删除数字路网中冗余的节点信息，得到数字路网；然后，本发明利用 Foursquare签到数据和Flickr照片数据的地理分布情况对数字路网进行知识增量建模，计算所有路段的风景质量，得到风景路网。

附图说明

图1为本发明的系统框架；

图2为本发明的OSM数据导出方法；

图3为本发明的OSM原始数据与处理后的数据对比；

图4为本发明实施例图片分布情况；

图5为本发明实施例旧金山的BayArea所有路段风景评分的累积分布函数(CumulativeDistributionFunction:CDF)结果。

具体实施方式

本发明的系统框架如图1所示，下面是对本发明实施方式的进一步说明。

1、获取数字路网

第一步，在OSM主页获取GPS轨迹数据。OSM网站本身有提供轨迹数据的下载服务。点击地图左上方的“导出”按钮，然后选择所要下载的地图范围即可，如图2所示。

第二步，处理OSM数据。OSM使用的数据结构为地形数据结构，主要由三种核心的对象组成：node、way以及relation。其中，node 定义了空间中点的位置；way定义了线或区域；relation(非必须)定义了对象间的关系，用于解释对象间协同工作的方式。所有OSM对象都可以有自己的标签，用来描述地名，道路类型等信息。

由于OSM的地图数据是通过用户依据手持GPS设备、航空摄影照片、卫星视频、或者其他自由内容，甚至单靠用户对某个区域的熟悉映像来进行的本地知识绘制，所以OSM地图数据中的way实际上是记录的用户的移动轨迹，node为路径的采样点。这也意味着way 并不是只表示道路信息，也会表示建筑信息，如：一栋楼的外部轮廓。所以，我们需要对way对象进行相应的筛选过滤，将不需要的way 信息去掉。不同的tag标签代表way的不同属性。tag标签以“k＝v”的形式表示way的每一个标签属性及其属性值。当k＝“highway”的时候，表示该way是一条道路；此时对应的“v”值就表示这条道路的类型。根据tag标签的属性及其属性值，我们用MATLAB进行数据筛选，只保留具有表1中所列属性值的way对象。

表1此次研究所用到的way属性值

另外一方面，下载的地图源数据中的node采样点过多。实际路网中只需要知道way与way之间相交的十字路口地点即可。本发明利用MATLAB程序遍历之前筛选后的way信息，如果有不同的way包含同一个node，则证明该node是一个路口，保留该node信息。由图 3可知处理后的数据保留了关键节点信息，可以用来简单直接地作为数字路网数据支撑。

2、知识增量建模

为了得到风景路网，我们需要在数字路网的基础之上，对路网进行知识增量建模，也即是对数字路网中的每个路段的风景质量进行评分。

2.1利用图片数据刻画路段风景质量

路段附近图片的密集度是其风景质量的显著指标。但是，更高的密度值可能不一定等于更好的风景。周围图像分布的主导方向也是非常重要的。如果主导方向与道路方向一致，则可以保证从道路上更好的观光。其基本原理是，用户如果被全景所吸引，可能会在路上拍照，而用户如果被附近的地标所吸引，则会从中心位置的不同角度拍摄照片。以图4所示的两种分布为例，尽管它们具有相同的密度(即图像数量)，但左边的情况下的路段应该得分更高。因此，我们用图片的分布密度和主导方向共同对路段的风景质量进行评分，算式如下：

S_image(e_ij，{gim)＝w(e_ij，{gim}) ×log[size of({gim|dist(gim.(x_i，y_i)，e_ij)＜δ_d})] (1)

其中dist(gim.(x_i,y_i),e_ij)计算从点(x_i,y_i)到路段e_ij的地理距离；在计算路段附近的图像数量时，是预定义的距离阈值。计算密度时，只计算距离小于的地理标记图像以确保可视性。该距离阈值应根据道路类型设置不同。一方面是因为高速公路的宽度一般比住宅街道宽。另一方面是因为在不同的道路上行驶时，人的视野能见度是变化的。例如，在高速公路上行驶时，仍然可以欣赏到远处的风景，相反，由于住宅街道上行驶时，由于建筑物或树木的遮挡，只能获得有限和狭窄的视野。因此，对于“residential”、“tertiary”和“secondary”标签的道路，其距离阈值设置为20米，标注“primary”、“trunk”和“motorway”标记的道路的，其距离阈值设置为50米。w(e_ij,{gim})是考虑图像分布的道路方向和主导方向的加权因子，其计算公式为：

利用PCA算法对路段附近图片分布方向进行分析，得到第一主成分向量和第二主成分向量，分别记为和如图4所示。是路段e_ij的方向向量，通过路段两个端点的经纬度计算而得。

2.2利用签到数据刻画路段风景质量

在行车途中，如果用户可以在路段上瞥见很多自然景观或路边旅游景点(例如，教堂，宫殿，广场等)，那么这种路段也应该具有较高的风景值。因此，对路段的风景质量进行评分，还应该考虑在道路上或附近的兴趣点的密集程度。签到数据不仅包含关于兴趣点的固有属性信息(例如，经度，纬度和分类)，而且还包含兴趣点在某一段时间里总共被签到的次数。签到次数能够很好地反映一个兴趣点的受欢迎程度。不同类别的兴趣点在风景质量上的贡献不同。因此，我们按照类别标签将兴趣点有意识地划分为三类，如表2所示。我们将一种广泛用于信息检索与数据挖掘的常用加权技术——term frequency-inversedocumentfrequency(TF-IDF)用于计算签到数据对路段风景值的影响。TF-IDF不仅考虑了兴趣点的签到频率，还考虑了兴趣点所属类别的受欢迎程度，具体如以下等式所示：

其中sizeof是兴趣点在某段时间内的签到次数；sizeof是兴趣点同类别所有的兴趣点在某段时间内的签到次数；sizeof是该城市中所有兴趣点的数量；sizeof是该城市中与兴趣点同类别的兴趣点的数量。

利用签到数据对路段风景质量进行刻画，如下式子所示：

S_checkin(e_ij，{ck})＝Σw(G(ck，v_id))×popularity({v_id|dist(ck.v_id，e_ij)＜δ_d}) (4)

其中表示兴趣点到路段的距离。只有距离小于的兴趣点才能被用于对该路段风景质量进行刻画。popularity()表示兴趣点的受欢迎程度。由于不同类别的兴趣点对路段风景质量的贡献不同，所以在计算风景值的时候他们有不同的权值。本发明中，设置第一类别的兴趣点的权值为0.65，第二类别为0.3，第三类别为0.05，即是，，。

表2兴趣点分类

2.3融合多源数据刻画风景质量

基于带有地理信息的图片和签到这两种异构数据，本发明对路段的风景质量进行评分，如下所示：

注意，式5中相乘的两部分在相乘之前分别利用min-max标准化归一化其中。

Claims (7)

1.基于多源异构众包数据的风景路网建模系统，其特征在于：

1)利用OSM数据获取数字路网；

2)利用图片和签到数据对数字路网进行知识增量建模，得到风景路网。

2.根据权利要求1所述的多源异构众包数据，其特征在于：不同来源、不同结构的，由上网用户产生的多种数据。本发明中利用了3种异构众包数据——OSM数据，图片数据以及签到数据。

3.根据权利要求1所述的利用OSM数据获取数字路网，其特征在于：从OSM官网下载用户轨迹数据，并作数据冗余处理，得到数字路网。

4.根据权利要求3所述的数据冗余处理，其特征在于：只保留行车道路的路口节点位置信息，去掉其他节点信息。

5.根据权利要求1所述的利用图片和签到数据对数字路网进行知识增量建模，得到风景路网，其特征在于：利用照片和签到数据的地理分布情况，给每个路段赋予一个风景值，赋值后的路网即为风景路网，具体如下：

其中S_image(e_ij,{gim})是利用图片数据刻画路段的风景质量，S_check(e_ij,{ck})是利用签到数据刻画路段的风景质量。

6.根据权利要求5所述的利用图片数据刻画路段的风景质量，其特征在于：利用图片的数量以及地理位置信息，对路段的风景质量进行计算，具体如下：

S_image(e_ij，{gim})＝ω(e_ij，{gim})

×log[size of({gim|dist(gim.(x_i，y_i)，e_ij)＜δ_d})] (2)

7.根据权利要求5所述的利用签到数据刻画路段的风景质量，其特征在于：利用签到数据中包含的兴趣点数量、种类以及地理位置信息，对路段的风景质量进行计算，具体如下：

S_checkin(e_ij，{ck})＝∑ω(G(ck.υ_id))

×popularity({υ_id|dist(ck.υ_id，e_ij)＜δ_d}) (4)